超詳細的APP資料指標體系分析 | 推薦收藏
在移動網際網路公司，任何一個APP都應該事先規劃好資料體系，才允許上線運營，有了資料才可以更科學、省力地運營
在移動網際網路公司，任何一個APP都應該事先規劃好資料體系，才允許上線運營，有了資料才可以更科學、更省力地運營。今天我們來說說如何做APP的資料分析。
一、為什麼要做APP資料分析
1.搭建資料運營分析框架
一個APP的構建與運營工作通常由多個角色分工實現，由於大家的工作重點不同，僅關注一個方面的資料就如同管中窺豹，無法全面瞭解產品運營情況，不能提出行之有效的分析建議。
因此，只有搭建完善的資料運營分析框架，才能全面的衡量移動應用產品運營情況。
除此之外，完整的資料運營分析框架還可以讓產品經理和開發者不僅知道產品運營的基本狀況和使用狀況，更瞭解使用者到底是誰，深入發現使用者的需求。
比如，對於一個做移動應用的公司，所有人都會關注產品的新使用者增長量，其中有多少使用者是活躍使用者等，因為這些都跟產品的發展息息相關；而投資人會更為關注產品的使用者留存率，以此判斷看產品發展是否健康，評估投資價值；同時，老闆更關心的是有多少使用者付費，共貢獻多少收入等。
所以我們需要搭建資料運營分析框架。
2.用資料推動產品迭代和市場推廣
基礎的資料運營分析框架對公司產品的整體發展狀況會有一個很好的展現，但是創業者會關注更加細節的部分。
比如，誰在用這個產品？使用者是否喜歡？是如何使用的？都有什麼特徵？哪些渠道帶來的使用者質量更高….我們可以用資料來回答這些問題。
產品設計人員可以有針對性的對產品使用情況進行資料分析，瞭解使用者對不同功能的使用，行為特徵和使用反饋，這樣可以為產品的改進提供很好的方向。
市場推廣人員也不應該僅僅關注“什麼渠道帶來了多少使用者”，更應該關注的是哪一個渠道帶來的使用者質量更高一些。
3.產品盈利推手
盈利是公司的最終目的，無論一款產品是否已經探索出一個成熟的商業模式，創業者都應該藉助資料讓產品的盈利有一個更好程序。在產品商業的路上，資料可以幫助企業完成兩件事： ①發現產品盈利的關鍵路徑 ； ②優化現有的盈利模式 。
二、APP應該關注哪些資料指標
APP的資料指標體系主要分為五個維度，包括使用者規模與質量、參與度分析、渠道分析、功能分析和使用者屬性分析。
1.使用者規模和質量
使用者規模和質量是APP分析最重要的維度，其指標也是相對其他維度最多，資料分析師要重點關注這個維度的指標。
（1）活躍使用者指標
活躍使用者指在某統計週期內啟動過APP的使用者，除此之外，我們還可以將活躍使用者定義為某統計週期內操作過產品核心功能的使用者。
活躍使用者是衡量應用使用者規模的指標，通常，一個產品是否成功，如果只看一個指標，那麼這個這指標一定是活躍使用者數。
活躍使用者數根據不同統計週期可以分為日活躍數（DAU）、周活躍數（WAU）、月活躍數（MAU）。
大多數希望使用者每天都開啟的應用如新聞APP、社交APP、音樂APP等，其產品的KPI考核指標均為日活躍使用者數。但對於某些低頻消費需求的APP比如旅遊、婚紗攝影，可能會關注月活躍數，甚至更長時間週期內的活躍數。
（2）新增使用者指標
新增使用者是指安裝應用後，首次啟動應用的使用者。按照統計時間跨度不同分為日、周、月新增使用者。
新增使用者量指標主要是衡量營銷推廣渠道效果的最基礎指標；新增使用者佔活躍使用者的比例也可以用來用於衡量產品健康度。如果某產品新使用者佔比過高，那說明該產品的活躍是靠推廣得來。這種情況非常值得關注，尤其是關注使用者的留存率情況。
（3）使用者構成指標
使用者構成是對周活躍使用者或者月活躍使用者的構成進行分析，有助於通過新老使用者結構瞭解活躍使用者健康度。以周活躍使用者為例，包括以下幾類使用者：
本週迴流使用者：上週未啟動過應用，本週啟動應用的使用者；
連續活躍n周使用者：連續n周，每週至少啟動過一次應用的活躍使用者；
忠誠使用者：連續活躍5周及以上的使用者；
連續活躍使用者：連續活躍2周及以上的使用者；
近期流失使用者：連續n周（大等於1周，但小於等於4周）沒有啟動過應用的使用者。
（4）使用者留存率指標
使用者留存率是指在某一統計時段內的新增使用者數中再經過一段時間後仍啟動該應用的使用者比例。
使用者留存率可重點關注次日、7日、14日以及30日留存率。次日留存率即某一統計時段新增使用者在第二天再次啟動應用的比例；7日留存率即某一統計時段新增使用者數在第7天再次啟動該應用的比例；14日和30日留存率以此類推。
使用者留存率是驗證產品使用者吸引力很重要的指標。
通常可以利用使用者留存率與競品進行對比，衡量應用對使用者的吸引力。對於某一個相對成熟版本的應用，如果使用者留存率有明顯變化，則說明使用者質量有明顯變化，很可能是因為推廣渠道質量的變化所引起的。
（5）每個使用者總活躍天數指標
每個使用者的總活躍天數指標（TAD，Total Active Days per User）是在統計週期內，平均每個使用者在應用的活躍天數。
如果統計週期比較長，如統計週期一年以上，那麼每個使用者的總活躍天數基本可以反映使用者在流失之前在APP上耗費的天數，這是反映使用者質量或黏性，尤其是使用者活躍度很重要的指標。
2.參與度分析
參與度分析主要是分析使用者的活躍度，包括啟動次數分析、使用時長分析、訪問頁面分析和使用時間間隔分析。
（1）啟動次數指標
啟動次數是指在某一統計週期內使用者啟動應用的次數。
在進行資料分析時，一方面要關注啟動次數的總量走勢，另一方面，則需要關注人均啟動次數，即同一統計週期的啟動次數與活躍使用者數的比值，通常人均啟動次數和人均使用時長可以一起分析。
（2）使用時長
使用總時長是指在某一統計統計週期內所有從APP啟動到結束使用的總計時長。使用時長還可以從人均使用時長、單次使用時長等角度進行分析。
人均使用時長 =同一統計週期內的使用總時長/活躍使用者數
單次使用時長 =同一統計週期內使用總時長/啟動次數
使用時長相關指標也是衡量產品活躍度、產品質量的重要指標。使用者每天的時間是有限的且寶貴的，如果使用者願意在你的產品投入更多的時間，證明你的應用對使用者很重要，比如現在很流行的微信等社交應用。
（3）訪問頁面
訪問頁面數指使用者一次啟動訪問的頁面數。
我們通常要分析訪問頁面數分佈，即統計一定週期內（如1天、7天或30天）應用的訪問頁面數的活躍使用者數分佈，如訪問1-2頁的活躍使用者數、3-5頁的活躍使用者數、6-9頁的活躍使用者數......同時，我們可以通過不同統計週期（但統計跨度相同，如多為7天）的訪問頁面分佈的差異，以便於發現使用者體驗的問題。
（4）使用時間間隔
使用時間間隔是指同一使用者相鄰兩次啟動的時間間隔。一般統計一個月內應用的使用者使用時間間隔的活躍使用者數分佈，如使用時間間隔在1天內、1天、2天……同時，我們可以通過不同統計週期（但統計跨度相同，如都為30天）的使用時間間隔分佈的差異，以便於發現使用者體驗的問題。
3.渠道分析
渠道分析主要是分析各渠道在相同的投入情況下，使用者數量的變化和趨勢，以科學評估渠道質量，優化渠道推廣策略。渠道分析包括新增使用者、活躍使用者、啟動次數、單次使用時長和留存率等指標。APP的推廣渠道主要為安卓和iOS。
安卓的渠道：①第三方應用市場，如華為、oppon、小米、91助手等；②廣告聯盟，如網盟、友盟等；③廠商預裝，像華為、小米、vivo等；④水貨刷機，如刷機精靈等；⑤社會化推廣，如在社群做分享，在社群形成二次甚至多次傳播，也可以做推廣，但是這種的資料的分析就不太好獲取。
對於安卓來說，使用者來源就分以上幾種，每一種可以分別去定義。
不同型別的推廣方式，可從不同的維度做資料的分析。比如說像第三方應用市場，很多使用者都是通過這個渠道來下載APP，所以這方面的資料更多的是看活躍和留存；像廣告聯盟這種，是通過積分牆來分析，更多的是使用者完成任務通過量級來做分析。
iOS的渠道主要是AppStore，原則上我們所有的資料和啟用都是通過這個渠道來獲取，但是在實際推廣的過程中，我們更多的是想分析使用者是通過什麼渠道跳轉到AppStore上進行下載，啟用產品。這就需要我們直接和技術做最底層的對接——API介面對接。具體的分析方法與安卓是類似的，主要是分析活躍和留存資料。
以上提到的只是渠道質量評估的初步維度，如果還需要進一步研究渠道，尤其是研究到渠道防作弊層面，指標還需要更多，包括：判斷使用者使用行為是否正常的指標，如關鍵操作活躍量佔總活躍的佔比，使用者啟用APP的時間是否正常；判斷使用者裝置是否真實，如機型、作業系統等集中度的分析。
4.功能分析
功能分析主要分析功能活躍情況、頁面訪問路徑以及轉化率。
（1）功能活躍指標
主要關注某功能的活躍人數、新增使用者數、使用者構成、使用者留存。這些指標的定義與前文提到的“使用者規模與質量”的指標類似。只是，本部分只關注某一功能模組，而不是APP整體。
（2）頁面訪問路徑分析
主要是統計使用者從開啟應用到離開應用整個過程中每一步的頁面訪問和跳轉情況。目的是達成App的商業目標，即引導使用者更高效的完成App的不同模組的任務，最終促進使用者付費。
APP頁面訪問路徑分析需要考慮APP使用者以下三方面問題：
①身份：使用者可能是你的會員或者潛在會員，也有可能是你的同事或者競爭對手等；
②目標：不同使用者使用APP的目的有所不同；
③訪問路徑：即使身份類似、使用目的類似，但訪問路徑也很可能不同。因此，我們在做APP頁面訪問路徑分析的時候，需要對APP使用者做細分，然後再進行APP頁面訪問路徑分析。
最常用的細分方法是 按照APP的使用目的來進行使用者分類。
如汽車APP的使用者便可以細分為關注型、意向型、購買型使用者，並對每類使用者進行不同訪問任務的路徑分析，比如意向型的使用者，他進行不同車型的比較都有哪些路徑，存在什麼問題；還有一種方法是利用演算法，基於使用者所有訪問路徑進行聚類分析，依據訪問路徑的相似性對使用者進行分類，再對每類使用者進行分析。
（3）轉化率
轉化率是指進入下一頁面的人數（或頁面瀏覽量）與當前頁面的人數（或頁面瀏覽量）的比值。通常使用漏斗模型來，它可以分析產品中關鍵路徑的轉化率，以確定產品流程的設計、使用者體驗問題。
比如使用者從進入某電商網站—瀏覽商品—把商品放入購物車—支付完成，每一個環節都有很多的使用者流失。通過分析轉化率，我們可以比較快定位使用者使用產品的不同路徑中，分析是否存在問題，並提出如何進行優化的改進意見，通常我們只需要對每天的轉化率進行連續性的監控即可。
5.使用者屬性和畫像分析
使用者屬性分析主要從使用者使用的裝置終端、網路及運營商、地域和使用者畫像角度進行分析。裝置終端分析的維度有機型分析、解析度分析和作業系統分析；網路及運營商分析的唯獨有有使用者聯網方式和電信運營商，地域主要從不同省市和國家來分析。
使用者畫像分析包括人口統計學特徵分析、使用者個人興趣分析、使用者商業興趣分析。人口統計學特徵包括性別、年齡、學歷、收入、支出、職業、行為等；使用者個人興趣指個人生活興趣愛好的分析，如聽音樂、看電影、健身、養寵物等；使用者商業興趣指房產、汽車、金融等消費領域的興趣分析。使用者畫像這部分的資料需要進行相關的畫像資料採集，才可以支撐比較詳細的畫像分析。感興趣的小夥伴可以檢視之前的文章《 乾貨 | 資料分析使用者畫像實踐與方法 》
6.收入分析
盈利是產品的最終目的，所以總收入、付費使用者數、付費率、ARPU這四個指標經常用到。總收入、付費使用者數反映的是收入和付費使用者的規模；付費率、ARPU代表的是使用者付費質量，反映的是使用者付費的廣度與深度。主要關注轉化漏斗最後環節的訂單數量和金額。
三、如何搭建APP的資料指標體系
在很多產品中，上文提到的很多指標基本看不到，最終導致資料分析師因為沒有資料，無法進行分析。主要是因為在產品上線前沒有對資料進行開發統計。
通常這部分工作主要是由產品經理來完成，但是資料分析師需要提前與產品經理溝通協調，規劃好自己所需要的資料指標體系，驅動產品開發進行相關的資料採集，並在後續運營過程中，動態優化和豐富資料體系。我們先來了解一個概念“埋點”。
1.什麼是埋點
埋點的巨集觀目標是 為了獲取資料指標來整體上驗證產品的業務邏輯是否順暢， 之前的一些基本假設是否成立？
這時候涉及需要驗證的資料可能會涵蓋：產品方向、市場運營和商業邏輯三大方面。埋點本身其實是對產品的一個視覺化健康檢查，通過邏輯和資料，貫穿產品的整個生命週期，使產品逐步達到最佳狀態。為未來產品優化方向給出指導意見。
當然埋點的目標不同，最終資料驗證的效果也會有不同。
如新版本上線的使用者行為和功能效果資料驗證（幾種場景）：①新功能是否得到使用者的使用與認可？新版本增加的新功能，使用者點選率怎樣？②使用者在核心使用路徑上是否順暢？有沒有因為互動體驗功能按鈕的設計而導致無效點選增多？③針對某個特別的日期進行了產品內的廣告banner推廣或者促銷，該活動運營的效果如何？
2.具體步驟
（1）瞭解產品形態
指的是整個產品的運作邏輯，關注的是使用者角色，資訊和渠道，以及他們之間的流轉關係是什麼樣的，像是產品的一個藍圖和框架。
（2）瞭解業務邏輯
指的是要執行某個業務，使用者角色需要走過的路徑，會有什麼角色參與，有什麼功能模組（或子系統）參與，模組之間的關聯性，資料之間的流向是什麼樣的。
（3）業務流程圖
是在業務邏輯的基礎上，對功能分解下來，比如唱吧的錄歌業務邏輯，會有個模組是生成評分，那生成評分這個模組，她的具體業務流程是什麼樣的，會有什麼細節流程，異常流程，提示等。
（4）將節點化的業務程式碼化
這一步驟，主要是將列出的重要節點(需要統計的節點)新增統計事件和統計引數。
（5）交付開發調整DRD
可以與產品經理和開發人員溝通協調，並交付所需要的資料指標體系。
（6）資料分析
後期資料庫中有了相應節點的統計情況，之後就可以拿來分析了。
四、常用的分析方法
1.產品生命週期分析
產品生命週期理論（PLC模型）是由美國經濟學家Raymond Vernon提出的，即一種新產品從開發進入市場到被市場淘汰的整個過程。產品生命週期可分為初創期、成長期、成熟期、衰退期，在產品的每個階段，資料分析的工作權重和分析重點有所區別。
（1）初創期
初創期的重點在於驗證產品的核心價值，或者說驗證產品的假設：通過某種產品或服務可以為特定的人群解決某個問題。這時我們需要關注的關鍵資料是目標人群畫像和留存率。
目標人群畫像：初創期可以通過接入一些第三方的應用監測SDK來了解初期使用者群體的畫像，從側面驗證使用者群體與假設的目標使用者群體特徵是否一致，常見的是人口學屬性(性別、年齡、學歷、地域)。
留存率：在當前使用者符合目標受眾特徵時，核心關注這些使用者的留存率、使用時長/頻率、使用者的黏性等指標，留存率的維度分很多種（7日，雙週，30日等），依據產品特徵來選擇，若產品本身滿足的是小眾低頻需求，留存率則宜選擇雙週甚至是30日；留存率高，代表使用者對產品價值認可併產生依賴，一般來說，假設便能得到驗證，通常低於20%的留存會是一個比較危險的訊號。
（2）快速成長期
經過了產品打磨的初始階段，產品有了較好的留存率了，這個時候產品開始進入自發增長期。自發增長期可以將側重點關注在使用者的整個生命週期的管理，其中以新使用者的增長、啟用、觸發“Aha moments”到活躍使用者的整個漏斗分析為主。
（3）成熟期
隨著使用者快速增長，產品不斷完善，產品在進入成熟期前後，資料分析師關注的重心開始從使用者生命週期的前半段（吸引、啟用、留存）往後半段（流失、迴流）開始偏移，同時關注商業化轉化路徑。
①流失與迴流：在關注流失迴流的過程中，資料會揭示當前使用者盤子的一個變化情況，具體分析流失原因則可以參考下方流程：
核心思路即，通過回訪定性+資料驗證為主要手段，確定流失原因，改變產品運營策略以預防使用者流失或拉回使用者，促進迴流。除此之外，對於一些穩定的投放渠道，普通的改善方法可能提升轉化有限，此時可以進行更精細化的渠道分析來優化提升ROI。
②商業轉化率分析：在成熟期需要針對高質量使用者進行重點運營，低質量使用者通過產品和運營改進手段，使其往高質量使用者遷移。結合不同的產品形態和商業模式，一般資料分析的核心指標包括：產品使用者人均使用天數（以周、月為單位來觀察）；產品使用者人均使用時長（以天為單位進行觀察，人均時長越高，使用者依賴性越強，產品商業化空間越大）；人均購買價格（以月為單位，檢視一個使用者的購買情況，購買價格越高，對電商平臺意味是是高淨值使用者，需要重點運營）；人均購買次數（以月為單位，次數高，低單價的使用者也是優質使用者）
（4）衰退期
最終，產品進入衰退期，這裡不再贅述。
2.轉化漏斗分析
漏斗模型是資料分析較常使用的一種方法，其適用的場景主要是對經過一連串使用者操作才能完成任務，同時需要監控和分析任務最終完成的效果，以及每一步可能存在的問題。
漏斗模型的核心思想，是從最終目標入手，找出每一步使用者的轉化或者流失情況，配以每一步的轉化率或者流失率指標來監控效果，並最終通過提升使用者轉化率，或者降低使用者流失率，從而優化最終指標並實現商業價值。
實際在進行漏斗模型的分析時，結合不同的業務場景和產品型別，漏斗模型大致可分為以下幾種：
①使用者獲取模型：AARRR從整個使用者生命週期入手，包括Acquisition使用者獲取，Activation使用者轉化，Retention使用者留存與活躍，Revenue使用者產生收入，到發起傳播Refer。
②消費漏斗模型：消費漏斗一般用於頁面結構和內容較為複雜的業務，從使用者內容消費和流量走向的角度，巨集觀層面用於回答使用者消費什麼內容，微觀層面則用於分析影響使用者消費的問題是什麼。
③電商漏斗模型：使用者商品的購買屬於決策行為，從瀏覽商品到支付訂單的每一個環節的轉化。
④功能優化漏斗模型：漏斗分析也適用於產品功能自身的優化，從最終目標入手，拆分業務環節，提取和優化核心指標，從而提升整體功能的轉化率。
3.AARRR模型
AARRR 模型是一套適用於移動 App 的分析框架，又稱海盜指標，是“增長黑客”中驅動使用者增長的核心模型。AARRR 模型把使用者行為指標分為了 5 大類，分別為：獲取使用者，激發活躍，提高留存，增加收入和病毒傳播。
從使用者獲取到病毒傳播，每個環節都有重要的指標需要我們去關注，通過 AARRR 模型系統化的拆解 5 大類目使用者行為，可以讓我們更清晰的知道每個環節需要重點關注的重點指標。
以電商業務為例，下圖基於 AARRR 模型，構建使用者生命週期運營全脈絡和每個節點需要關注的重點指標：
（1）Acquisition 獲取使用者
在獲取使用者階段，我們希望讓更多潛在使用者關注到我們的產品，通過以下基礎途徑來曝光我們的推廣頁面：①付費獲取：媒體廣告、SMS、EDM、流量交易/置換；②搜尋營銷：搜尋引擎優化（SEO），搜尋引擎營銷（SEM）；③口碑傳播：使用者間邀請活動，病毒 H5 傳播等。
使用者訪問頁面後，可以通過導航、主動搜尋、演算法推薦來了解到我們的產品。切中當下需求的使用者會進行註冊行為，算是和使用者真正意義上第一次會面。這時就要重點關注推廣頁 UV，點選率，註冊量，註冊率，獲客成本等重要指標。
（2）Activation 激發活躍
使用者註冊後是否有進一步瞭解我們的產品？這其中涉及到產品的功能，設計，文案，激勵，可信等等。我們需要不斷調優，引導使用者進行下一步行為，讓新使用者成為長期的活躍使用者：
我們可以通過介面/文案優化，新手引導，優惠激勵等手段， 進行使用者啟用流程的轉化提升。監控瀏覽商品頁面，加入購物車，提交訂單，完成訂單的漏斗轉化。
這個過程中，我們要重點關注活躍度，若定義加入購物車為活躍使用者，那麼就要觀察註冊至加入購物車漏斗轉化率，按維度拆分，分析優質轉化漏斗的共有特徵/運營策略，提升策略覆蓋率，優化整體轉化效果。
（3）Retention 提高留存
使用者完成初次購買流程後，是否會繼續使用？流失的使用者能否繼續回來使用我們的產品？
產品缺乏粘性會導致使用者的快速流失，我們可以通過搭建生命週期節點營銷計劃，通過 push、簡訊、訂閱號、郵件、客服跟進等一切適合的方式去提醒使用者持續使用我們的產品。並且在此基礎上通過積分/等級體系，培養使用者忠誠度，提升使用者粘性。
重點關注留存率，復購率，人均購買次數，召回率等指標。
（4）Revenue 增加收入
我們獲得每位使用者平均需要花費多少錢？每位使用者平均能為我們貢獻多少價值，能是否從使用者的行為，甚至其他方式賺到錢？
電商業務的基礎要關注獲客成本CAC，顧客終身價值，在此基礎上通過運營活動激勵使用者進行購買，提升使用者單價、頻次、頻率，最終提升使用者生命週期貢獻價值。
重點關注獲客成本，顧客終身價值，營銷活動ROI等指標。
（5）Referral 病毒傳播
使用者是否會自發的推廣我們的產品？通過激勵是否能讓更多的忠誠使用者推廣我們的產品？
在社交網路高度發達的今天，我們可以通過各種新奇的方式去進行產品傳播：使用者邀請的老帶新活動，垂直領域的社群運營，H5營銷傳播，讓老使用者推廣我們的產品，吸引更多的潛在使用者。
重點關注邀請發起人數，每個病毒傳播週期的新使用者量，邀請轉化率，傳播係數等。
五、總結
我們已經知道，資料分析的用意不在於資料本身，而是要打造一個數據反饋閉環。
在為一個App做資料服務的時候，我們希望通過設計基礎資料指標，多維度交叉分析不同指標，以資料甄別問題，再反向作用產品，最終形成資料驅動產品設計的閉環。
事實上，App資料分析並沒有那麼神聖，一般常用的資料指標也都不難掌握。關鍵是資料指標的設計要基於兩點事實：①商業模式和業務背景；②資料分析動機和目的。
企業在做指標或者定期分析資料的時候，只要定期的關注那些能影響公司核心業務的指標，以此來做快速的業務表現判斷，能極大地提高效率，快速發現問題。
因此，在為App做資料服務的時候，只要從上述角度入手就可以了。
六、工具與書籍推薦
1.工具
（1）垂直領域的統計工具平臺：ios：七麥資料、禪大師、appduu；安卓：酷傳
（2）第三方統計平臺：友盟、TakingData、AppAnnie、騰訊雲分析、百度移動統計、神策資料、諸葛IO、GrowingIO
2.書籍
《增長黑客》《精益資料分析》《深入淺出資料分析》《網站分析實戰》《流量的祕密-Google Analytics網站分析與優化技巧》
*本文整合自
《鵝廠熱課《App資料分析到底要分析什麼》資料曝光， 《騰訊資料總監：運營人員必須掌握的APP基礎資料分析體系》， 《App運營資料分析如何做》， 《移動APP資料分析精選8問》， 《App資料分析到底要分析什麼》， 《作為運營人員，你的資料分析框架搭建起來了嗎？》